[학회 후기]

4/18~20일 일본 히로시마에서 열린 2024년 ICIEA에 참가하였다. 해외 학회는 처음이었는데 지리적으로 가까운 나라인 일본이어서 이동시간이 적게 소요되어 편했다. 다양한 나라의 연구자들이 참가하는 학회로 산업공학 분야가 정말 넓다는 것을 다시 한번 느낄 수 있었다. 기존에 딥러닝뿐만 아니라 유전알고리즘, 텍스트 마이닝 등 산업 분야의 문제를 해결하기 위한 다양한 연구들을 영어로 들을 수 있어서 무척이나 흥미로웠다. 확실히 내가 잘 아는 분야는 영어가 잘 들리고 모르는 분야는 잘 안 들리는게 슬펐지만, 그럼에도 불구하고 각 발표들의 컨셉을 이해하고자 노력했던 것 같다. 그리고 영어 질문을 도전해보았는데, 간단한 질문들로 왜 비교적 고전 인공지능 모델을 사용했고 최근 SOTA 모델들을 사용하지 않았는지 물어봤었다. 자원 부족 및 추론을 빠르게 해야 하는 분야이기 때문이라는 답변들을 내놓았는데, 경제적 효율을 극대화하기 위한 것이 물론 중요하지만 학문적으로 최신 방법들을 적용해 가며 성능을 확인하면 더 연구 내용이 풍부해지지 않을까 라는 생각이 들었다. 체류 기간 동안 날씨도 좋고 좋은 연구실 인원들과 즐거운 시간을 보냈다. 해외 학회를 문제없이 잘 마무리한 것 같아서 돌아오는 내내 참 기분이 좋고, 즐거운 추억으로 가득한 학회였다.

[발표후기]

이번 학회의 발표 주제는 “Vehicle Noise Prediction Using Semi-Supervised Regression”이다. 차량 실내 소음은 간단히 말해 차량 안에서 듣는 소음이다. 이러한 소음은 차량 자체의 다양한 장치에서 발생한다. 차량 품질을 높이는 데 중요한 요소 중 하나는 운전자를 위해 실내를 더 조용하게 만드는 것이다. 차량 실내 소음을 직접 측정하는 것은 비용이 많이 들며 시간이 많이 소요되므로 우리는 심층 학습 모델을 사용하여 이를 예측하고자 한다. 그러나 모델 학습을 위한 레이블이 지정된 데이터를 수집하는 것은 비용이 많이 들고 전문가가 필요하다. 다행히 현장에서는 시뮬레이션 장비에서 생성된 레이블이 지정되지 않은, 레이블 된 데이터와 유사한 언 레이블 데이터가 존재한다. 레이블이 지정된 데이터가 충분하지 않을 때 레이블이 지정되지 않은 데이터를 준지도 학습에 활용할 수 있다. 나는 레이블이 지정된 데이터와 레이블이 지정되지 않은 데이터를 사용하는 새로운 준지도 회귀 방법을 제안했다. 일관성 정규화와 정보 최대화 방법을 합쳐 단일 모델로도 다른 비교 방법론 대비 좋은 성능을 내는 것을 실험 결과로 확인했다. 또한, 신호 데이터를 입력으로 하는 데이터에 모두 적용할 수 있기 때문에 추후 준지도 학습 방법론 발전에 기여할 것으로 예상된다.

질문 1) Ablation study를 보면 각 방법이 모델 성능을 향상시킨다는 것을 보여준다. 하지만 실제 현업에서 해당 방법들이 얼마나 도움이 되는지 궁금하다.

답변 1) 현업에서 해당 방법론이 얼마나 효과적인지 별도로 측정한 결과는 없다. 하지만, 레이블 데이터가 부족한 상황에서 차량 소음 예측을 위해 준지도 학습을 개발한 연구로 R2등 평가 지표를 통해 좋은 성능을 냈다는 것에 의의가 있다는 것이 주요하다고 봐주시면 감사하겠다.

나에게 발표는 사실 영어, 한글을 막론하고 부담감이 있다. 발표 관련 경험이 대학원 들어오기전까지 많지 않았기 때문이다. 쯔위 교수님과의 교류 세미나를 위해 영어 발표를 한 경험이 있었지만, 내가 아는 사람들이 훨씬 많은 장소여서 그 때 당시에는 발표의 완성도 보다는 처음 영어로 완주한 나를 다독여줬었다. 하지만, 이번 학회는 내 연구를 영어로 발표하는 자리이고, 청자에게 어떻게 하면 이해를 쉽게 시킬 수 있을지 고민 때문에 무척 긴장이 되었다. 교류 세미나 직후 교수님이 주셨던 피드백을 반영해야 한다는 생각 또한 많이 들었기 때문이었던 것 같다. 그래서 쉬운 단어 위주로 발표 자료 작성하여 청자의 이해를 높이고 내가 영어 문장을 전부 비교적 쉽게 외울 수 있었다. 한국에서 리허설을 두 번 했었고, 현장에서 다른 발표자들 또한 긴장한다는 것을 느꼈기에 실제로 내가 발표할 때는 떨리는 마음은 거의 없었고 몰입해서 발표를 마무리했던 것 같다. 스스로에게 뿌듯하고 소중한 경험이었다.

[청취후기]

Optimizing Cooling Tower Efficiency through Artificial Neural Networks and Genetic Algorithms: A Real-Time Control Strategy

효율적인 에너지 시스템에 대한 수요 증가로 인해 쿨링 시스템 운영 최적화가 중요해지고 있다. 해당 연구는 인공 신경망(ANNs)과 유전 알고리즘(GAs)을 사용하여 쿨링 시스템 효율을 향상시켰다. 인공 신경망과 유전 알고리즘을 통해 데이터간 복잡한 관계를 모델링하여 최적의 쿨링 팬 속도를 예측한다. 인공 신경망과 유전 알고리즘 간의 시너지는 실시간 제어 전략을 용이하게 하며 변화하는 환경 조건과 운영 요구에 지속적으로 적응하여 최적의 효율을 내는 것으로 실험 결과로 보였다.

질문 1-나) 인공 신경망(ANN) 모델의 구조는 무엇인가요?

답변 1-발표자) 이는 3-layer 다층 퍼셉트론입니다.

질문 2-나) 시계열 데이터에 적합한 LSTM과 같은 모델을 시도해 보았나요? 그렇지 않다면, 그 이유가 무엇인가요?

답변 2-발표자) 자원 문제로, LSTM과 같은 모델은 많은 수의 매개변수로 인해 GPU를 사용해야 합니다. 우리의 환경에는 GPU가 없습니다.